Kennisgraaf

Wat is een kennisgraaf?

Een kennisgraaf (knowledge graph) is een gestructureerde weergave van entiteiten uit de echte wereld en de relaties daartussen. De gegevens worden opgeslagen als een netwerk van knooppunten (entiteiten) en gerichte, gelabelde verbindingen (relaties). Formeel is een kennisgraaf een verzameling semantische triples in de vorm (subject, predicaat, object). Voorbeelden zijn (Order #12345, has_status, Shipped) of (Customer, purchased, Product_X). Dankzij deze graafstructuur kunnen machines verbanden volgen, nieuwe feiten afleiden en complexe vragen beantwoorden waar platte databases en zoeken op trefwoorden niet mee overweg kunnen.

In de klantenservice verbindt een kennisgraaf producten, beleid, klantgegevens, stappen voor probleemoplossing en documentatie tot één samenhangend informatienetwerk. AI-agents kunnen dat netwerk in realtime raadplegen. Een AI-agent hoeft dus niet op trefwoorden te zoeken in een kennisbankartikel. De agent volgt de graaf en ontdekt zo dat een specifiek product een bekend defect heeft. Dat defect valt onder een specifiek retourbeleid, en voor dat beleid is een specifiek formulier nodig.

Zo werkt een kennisgraaf

Een kennisgraaf begint met een ontologie. Dat is een schema dat de typen entiteiten definieert (klanten, producten, tickets, beleid) en de typen relaties daartussen (purchased, filed_ticket_about, resolved_by). Vervolgens wordt data uit meerdere bronnen verwerkt en op deze ontologie gemapt, zoals data uit CRM's, helpdesks, productdatabases en documentatie. Zo ontstaat een verbonden netwerk van triples.

Eenmaal opgebouwd ondersteunt de graaf verschillende bewerkingen. Graph traversal volgt verbindingen om vragen te beantwoorden die meerdere stappen vereisen ("Welke garantie geldt voor het product dat deze klant vorige maand kocht?"). Graph inference past regels of machine learning toe om feiten af te leiden die niet expliciet zijn opgeslagen. Graph queries gebruiken talen als SPARQL of Cypher om specifieke subgrafen op te halen. Volgens het AI Lab van Stanford is het juist deze combinatie van expliciete structuur en afleidend vermogen die een kennisgraaf zo geschikt maakt voor AI in grote organisaties.

Microsoft Research (2025) ontdekte dat de combinatie van kennisgraafretrieval met RAG de feitelijke nauwkeurigheid met ongeveer 23% verbeterde. In e-commerce-klantenservice leverde dat een gebruikerstevredenheid van 89% op, vergeleken met een baseline van retrieval op alleen tekst.

Belangrijkste onderdelen van een kennisgraaf

Entiteiten en knooppunten: de objecten in de graaf, zoals klanten, producten, supportartikelen, medewerkers en beleid. Elk knooppunt heeft een type dat door de ontologie is gedefinieerd en kan kenmerken bevatten (naam, datum, status).

Relaties en verbindingen: gerichte, gelabelde verbindingen tussen entiteiten. Het label beschrijft de aard van de relatie ("reported_issue", "resolved_by", "related_to"). Relaties geven de graaf zijn kracht, omdat ze context vastleggen die platte records niet kunnen bevatten.

Ontologie en schema: de formele woordenschat die vastlegt welke typen entiteiten en relaties er bestaan. Een goed ontworpen ontologie zorgt voor consistentie tussen databronnen en maakt zinvolle queries mogelijk. Standaarden als RDF en OWL bieden formele frameworks om een ontologie te definiëren.

Ingestie en koppeling: het proces waarbij entiteiten uit bronsystemen worden gehaald (CRM, ticketing, productcatalogus), duplicaten worden opgelost en entiteiten met verbindingen aan elkaar worden gekoppeld. Entity resolution is een van de lastigste technische uitdagingen bij het bouwen van een graaf.

Redeneerengine: de laag die regels en machine learning toepast om nieuwe relaties af te leiden of bestaande te valideren. Een voorbeeld is het voorstellen van een vervangend product wanneer een product uit het assortiment verdwijnt.

Waarom een kennisgraaf belangrijk is voor de klantervaring

Vragen aan de klantenservice draaien altijd om verbanden. Een klant stelt geen losse vraag, maar vraagt naar zijn bestelling, zijn account, zijn product. Om nauwkeurig te antwoorden moet je informatie uit verschillende systemen met elkaar verbinden. Een kennisgraaf vormt dat verbindende weefsel. Onderzoek van LinkedIn (2025) meldde een daling van 28,6% in de mediane oplostijd van issues na de invoering van kennisgraafretrieval in supportworkflows.

Een kennisgraaf vermindert ook AI-hallucinaties, omdat de output van een LLM wordt gebaseerd op geverifieerde, gestructureerde feiten. Haalt een AI-agent een subgraaf van verbonden entiteiten op in plaats van een blok ongestructureerde tekst? Dan heeft de agent een betrouwbare feitelijke basis voor zijn antwoord. Daarom wordt de kennisgraaf steeds vaker de semantische ruggengraat van RAG-architecturen in grote organisaties.

Het voordeel van Maven

Het platform van Maven AGI verwerkt en verbindt data uit meer dan 100 enterprise-systemen. Zo ontstaat een rijke contextlaag die bij elke klantinteractie werkt als kennisgraaf. Neemt een klant contact op met support? Dan volgt de AI-agent van Maven deze verbanden om de juiste context op te halen: accounthistorie, productdetails, eerdere interacties en relevant beleid. Door deze gestructureerde retrieval behalen klanten van Maven consequent hoge oplospercentages.

Enumerate, een platform voor vastgoedbeheer, behaalde met Maven AGI een oplospercentage van 91%. Het bedrijf bracht zijn complexe netwerk van vastgoeddata, huurdersgegevens en onderhoudsworkflows samen in één uniforme kennislaag die toegankelijk is voor AI.

Wil je de technische basis beter begrijpen? Lees dan hoe AI-gestuurde kennisbanken zich ontwikkelen om moderne supportorganisaties te ondersteunen.

Veelgestelde vragen

Wat is het verschil tussen een kennisgraaf en een kennisbank?

Een kennisbank is meestal een verzameling artikelen, documenten of FAQ's, opgeslagen als platte of licht gestructureerde content. Een kennisgraaf gaat verder. Die legt de entiteiten in die content en de relaties daartussen vast als gestructureerde graaf. Daardoor kunnen AI-systemen redeneren over verbonden feiten, in plaats van alleen per artikel naar trefwoorden te zoeken.

Hoe vermindert een kennisgraaf AI-hallucinaties?

Een kennisgraaf baseert AI-output op geverifieerde, gestructureerde data. Een systeem voor conversational AI haalt dan een subgraaf van verbonden entiteiten op (product > warranty > return_policy). Het LLM genereert zijn antwoord vervolgens op basis van feitelijke triples in plaats van probabilistische tekstaanvulling. Dit patroon van eerst ophalen en dan genereren verkleint de kans op verzonnen of onjuiste antwoorden aanzienlijk.

Is een kennisgraaf lastig te bouwen en te onderhouden?

Een kennisgraaf voor productiegebruik vraagt om een doordacht ontologieontwerp, betrouwbare datapipelines en doorlopende entity resolution. De initiële investering is aanzienlijk, maar het rendement in AI-nauwkeurigheid en verbondenheid tussen systemen groeit in de loop van de tijd. Enterprise-platforms zoals Maven AGI nemen veel van deze complexiteit uit handen. Ze verwerken en verbinden data uit geïntegreerde systemen automatisch.

Werkt een kennisgraaf ook met ongestructureerde data?

Ja. NLP-technieken zoals named entity recognition en relatie-extractie kunnen ongestructureerde tekst analyseren, zoals supporttickets, e-mails en chatlogs. Ze halen er entiteiten en relaties uit om een kennisgraaf mee te vullen. Deze hybride aanpak combineert de flexibiliteit van ongestructureerde data met de precisie van gestructureerde graafqueries.